通过人工智能技术在3D VAD空间上的大脑信号对情绪的评估

科学领域:

• 神经科学和心理学:专注于理解人类的情绪状态.
• 卫生技术:探索诸如脑电脑接口等领域的应用.
• 机器学习:利用先进的算法进行信号处理和分类.

背景情况:

• 情感研究在各种领域越来越重要,包括健康技术和心理学.
• 大多数情感研究都使用了Valence-Arousal (VA) 空间,但这项研究利用了更全面的Valence-Arousal-Dominance (VAD) 空间.
• 电脑电图 (EEG) 信号是客观情绪评估的关键数据来源.

研究的目的:

• 使用DEAP数据集在VAD空间内评估情绪和细分.
• 为了比较不同的细分策略,类分离水平和数据平衡技术 (SMOTE).
• 评估各种机器学习分类器对情感识别的性能.

主要方法:

• 应用波段转换为EEG信号,从α,β,gamma和theta波段中提取特征.
• 从EEG信号频段中提取了24个属性.
• 利用机器学习分类器,包括K-最近邻居 (IBk),随机森林和其他用于分类.

主要成果:

• 在情感分类中取得了高准确性,在第三部分的特定情感比较 (低兴奋-低价值-高主导和高兴奋-高价值-低主导) 中,最佳结果为98.94%,使用IBk分类器对不平衡数据进行4.5-5.5级分离.
• 证明数据平衡技术,如SMOTE,与不平衡数据相比,通常会提高分类性能.
• 确定了特定的细分和类别分离水平,为情感识别带来最佳结果.

结论:

• VAD空间为情绪评估和细分提供了一个强大的框架.
• 机器学习分类器,特别是IBk,在识别EEG数据中的情绪状态方面表现出很高的有效性.
• 数据平衡对于提高情绪识别系统的性能至关重要.